Episode Details

Microsoft AIは2026年4月2日、自社開発による新たなAI基盤モデル「MAI-Transcribe-1」、「MAI-Voice-1」、そして「MAI-Image-2」の3種類を発表し、開発者向けプラットフォーム「Microsoft Foundry」でプレビュー提供を開始しました。これまでMicrosoftといえば、提携するOpenAIの強力なモデルを主軸に据えてきましたが、今回の発表からは、用途に特化した最高性能かつ低コストの「自社製モデル」を本格的に展開していくという強い意志が伝わってきますね。

先日、世界最高精度の文字起こしAIとして話題になった「MAI-Transcribe-1」と合わせて一斉に投入されたのが、音声と画像の生成を担う2つの新モデルです。音声生成AIの「MAI-Voice-1」は、たった数秒の音声データを読み込ませるだけで、その人の声質を忠実かつ安全に再現できる能力を持っています。処理スピードも驚異的で、1秒以内に60秒分もの音声を生成することができるため、顧客対応の自動化システムや多言語でのリアルタイムな通訳など、遅延が許されないビジネスの現場で大きな武器になりそうです。

また、もう一つの主役である画像生成AIの「MAI-Image-2」は、AIモデルの性能を客観的に評価するプラットフォーム「Arena.ai」のリーダーボードにおいて、早くもトップ3入りを果たすという確かな実力を示しました。画像の生成にかかるスピードも従来のモデルから2倍以上に引き上げられており、資料作成やデザイン業務に携わるクリエイターの作業効率を劇的に向上させるポテンシャルを秘めています。

これら3モデルの共通点は、圧倒的なコストパフォーマンスの高さにあります。例えば、MAI-Voice-1は100万文字あたり22ドル、MAI-Image-2は画像出力のトークン100万あたり33ドルと、競合他社を強く意識した非常に攻撃的な価格設定となっています。超巨大で汎用的なAIはOpenAIに任せつつ、特定の業務に特化した扱いやすいAIは自前で用意することで、パートナーへの依存を減らしながら開発者に安価な選択肢を提供する。2026年の春、Microsoftが本腰を入れて仕掛けるこの独自AIの戦略は、私たちの日常的な業務をより快適で身近なものに変えてくれるはずです。